xmlns="http://www.w3.org/2000/svg"

style="display:

none;">

文章来源：微信公众号

Frontier

ISAC波形设计新突破！概率去噪增强的PDISAC兼顾感知与通信双性能

在6G通信技术发展中，一体化感知通信（ISAC）成为核心研究方向，其核心挑战在于设计能同时满足高距离-多普勒分辨率（感知需求）和高吞吐量（通信需求）的波形，而感知与通信的性能目标天然存在冲突，传统方法始终难以实现最优平衡。

近期有研究提出了一种全新的概率去噪增强参数化波形设计框架——PDISAC（Probabilistic

Denoising

ISAC），完美解决了传统方法在非理想信道、多目标场景下的性能短板，还为ISAC系统性能提供了理论保证，在低信噪比（SNR）下表现远超经典匹配滤波和传统学习基方法。

/>

/>

一、ISAC波形设计的传统痛点

此前ISAC波形设计的两类主流方法，均存在难以规避的问题：

1. 传统匹配滤波：依赖固定的波形参数，在信道条件不理想、多目标感知的场景下，性能表现次优，无法灵活适配复杂场景；

2. 学习基ISAC方法：虽能通过模型学习适配复杂场景，但缺乏严格的理论性能保证，工程落地的可靠性存疑。

针对这些问题，PDISAC框架融合概率机器学习与参数化波形设计，既通过理论推导刻画了系统性能极限，又借助轻量级网络提升了实际场景下的感知与通信性能，实现了“理论保证+实际优化”的双重突破。

/>

二、PDISAC核心设计：概率去噪+参数化波形

PDISAC的核心是构建了一套概率去噪增强的参数化波形设计体系，围绕轻量级概率去噪网络（PDNet）展开，同时完成了理论分析与工程化设计，核心亮点体现在三方面：

1.

核心网络：PDNet实现高质量RD热图生成

PDNet是专为ISAC设计的轻量级概率去噪网络，通过时频域对抗训练完成模型训练，能有效生成高质量的距离-多普勒（RD）热图，显著提升不同波形序列长度下的目标可分辨性，让多目标场景下的感知更精准。

同时PDNet采用“训练-推理分离”的架构设计：训练架构包含编码器、提取器、解码器模块，保证特征学习的完整性；推理架构则移除编码器，大幅降低计算成本、减少实时推理时延，更适配工程实际部署。

/>

2.

理论支撑：推导闭式解析表达式刻画性能极限

研究团队推导了克拉美-罗下界（CRLB）和误码率（BER）的闭式解析表达式，精准刻画了波形约束下ISAC系统的基础性能极限，弥补了传统学习基方法缺乏理论保证的短板，让PDISAC的性能优化有迹可循。

3.

场景适配：分析序列长度的感知-通信权衡影响

PDISAC深入分析了波形序列长度对感知-通信性能权衡的影响，验证了PDNet在不同序列长度下均能提升目标可分辨性，解决了传统方法在序列长度调整时性能波动大的问题，让波形设计能灵活适配不同感知/通信优先级的场景。

/>

三、PDISAC技术细节：从系统模型到去噪流水线

1.

系统模型与波形时频域设计

PDISAC的系统模型包含雷达（固定）、用户设备（UE）、终端设备（TE）三个核心对象，UE与TE均为移动目标，贴合实际感知通信场景。

其波形在时域完成传输设计，分为快域和慢域两个核心维度，分工明确：

• 快域：用于估计目标距离，分辨率由码片数量N

  N_{prbs}

  style="margin-right:

  0.109em;">N

  style="height:

  0.05em;">p

  style="margin-right:

  0.0278em;">rbs​

  style="height:

  0.2861em;">决定；

• 慢域：用于估计目标多普勒（速度），分辨率由符号数量N

  N_{sym}

  style="margin-right:

  0.109em;">N

  style="height:

  0.0359em;">sym​

  style="height:

  0.2861em;">决定。

同时波形传输融合了PMCW波形与BPSK符号，实现感知与通信的波形一体化传输。

/>

三步式去噪流水线，结合对抗训练优化

PDISAC设计了一套完整的去噪流水线，成为感知性能提升的关键，整体分为预处理、训练/推理、后处理三步，还引入对抗训练进一步优化去噪效果：

1. 预处理：将时频域观测值转化为RD热图，作为PDNet的输入（无需匹配滤波处理，简化流程）；

2. 训练/推理：通过PDNet的训练/推理架构完成去噪，生成优化后的RD热图；

3. 后处理：从优化后的RD热图还原出时频域的匹配滤波输出，为后续参数估计做准备。

对抗训练则作为补充优化环节，进一步提升去噪模型的性能，让PDNet在低SNR下的去噪效果更优异。

/>

3.

双方法实现距离-多普勒参数估计

PDISAC采用序贯估计器和恒虚警检测（CFAR）两种方法完成目标距离和速度的参数估计，适配不同场景需求：

• 序贯估计器：先检测距离峰值，再基于距离峰值检测多普勒峰值，分步完成参数估计；

• CFAR：直接基于RD热图标记潜在目标，通过蓝色圈注完成UE、TE的目标识别，更适合多目标快速检测。

研究还验证了N

N_{prbs}

style="margin-right:

0.109em;">N

style="height:

0.05em;">p

style="margin-right:

0.0278em;">rbs​

style="height:

0.2861em;">和N

N_{sym}

style="margin-right:

0.109em;">N

style="height:

0.0359em;">sym​

style="height:

0.2861em;">对分辨率的影响：二者数值越大，距离和速度的分辨率越高，为波形参数调优提供了明确依据。

四、PDISAC实验验证：低SNR下性能全面领先

为验证PDISAC的性能，研究团队开展了地图基信道仿真，将其与传统匹配滤波、经典学习基模型DnCNN进行多维度对比，核心验证结果如下：

1. 感知性能：在低SNR下，PDISAC的CRLB表现显著优于对比方法，同时NMSE、MSE指标更优，距离-速度参数估计的精度更高；

2. 通信性能：PDISAC在保证感知性能的同时，实现了可靠的通信性能，BER（误码率）和容量指标表现稳定，无明显损耗；

3. 鲁棒性：在不同波形序列长度下，PDISAC均能保持优异的目标可分辨性，鲁棒性远超传统方法。

实验中还通过RD热图可视化、去噪过程分布可视化，直观验证了PDNet去噪对感知性能的提升，CFAR处理后能精准标记移动目标UE和TE，充分证明了PDISAC在多目标场景下的感知有效性。

五、研究意义与未来展望

PDISAC框架的提出，为ISAC波形设计提供了一种全新的思路，其创新点在于首次将概率机器学习与参数化波形设计深度融合，既解决了传统匹配滤波的参数固定问题，又弥补了学习基方法的理论短板，实现了感知与通信性能的协同优化。

同时PDNet的轻量化设计、推理时延的优化，让该框架具备了工程落地的潜力，而低SNR下的优异表现，也让其能适配更复杂的实际通信感知场景。

未来，该研究方向可进一步围绕网络轻量化、超多目标场景适配、动态信道自适应展开优化，让PDISAC更贴合6G

ISAC的实际部署需求，推动一体化感知通信技术的落地应用。